开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> Python知识库 -> 零基础学Python：Matplotlib用法 -> 正文阅读

[Python知识库]零基础学Python：Matplotlib用法

在这里插入图片描述

前言： 📢📢📢
🏅🏅🏅作者简介：是Dream呀，华为云享专家、CSDN原力计划作者、Python领域优质创作者，专注分享Python领域原创系列文章。
🌻🌻🌻热门专栏：【零基础学Python】
本课程是针对Python入门&进阶打造的一全套课程，在这里，我将会一一更新Python基础语法、Python爬虫、Web开发、 Django框架、Flask框架以及人工智能相关知识，帮助你成为Python大神，如果你喜欢的话就抓紧收藏订阅起来吧~💘💘💘
🍋🍋🍋如果对学习没有自制力或者没有一起学习交流的动力，欢迎私信我或者文末添加vx，拉你进群，群内有行业大佬帮大家解答疑问，我们一起学习，群内定期还会有抽奖活动和红包相送嗷，快来进入我们吧~
💕 入门须知：这片乐园从不缺乏天才，努力才是你的最终入场券！🚀🚀🚀
💓最后，愿我们都能在看不到的地方闪闪发光，一起加油进步🍺🍺🍺

数据可视化是指通过图表形式展现数据，揭示数据背后的规律。 Matplotlib是可视化数据的最基本库。
导入Matplotlib 一般语句使用如下：

一、初识matplotlib

import matplotlib.pyplot as plt

使用matplotlib进行做图：

import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111)
ax.set(xlim=[0.5, 4.5], ylim=[-2, 8], title='An Example Axes',ylabel='Y-Axis',xlabel='X-Axis')
plt.show()

在这里插入图片描述

二、线形图

线形图简单容易绘制，matplotlib提供plot（）函数绘制一系列点，用线将其连起来。

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0,np.pi)
y_sin = np.sin(x)
y_cos = np.cos(x)

fig = plt.figure()
# add_subplot(221)前面两个参数确定了面板的划分，第三个参数确定表示第几个Axis
ax1 = fig.add_subplot(221)
ax2 = fig.add_subplot(222)
ax3 = fig.add_subplot(224)

ax1.plot(x,y_sin)
ax2.plot(x,y_sin,'go--',linewidth=2,markersize=12)
ax3.plot(x,y_cos,color='red',marker='+',linestyle='dashed')  # 颜色，标记，线形
plt.show()

在这里插入图片描述

plot（）函数用法

格式：plt.plot(x, y, ls=‘-’, lw=2, label=‘xxx’, color=‘g’ )

x： x轴上的值
y： y轴上的值
ls：线条风格 (linestyle)
lw：线条宽度 (linewidth)
label：标签文本

注意：对于线条颜色，必须写上color=‘red’，而不是只写color=‘’，不然会报错SyntaxError: positional argument follows keyword argument，意思是参数位置不正确导致的错误，也就是说color=''没有默认的颜色

三、散点图

散点图用于表示多个变量的相关性。Matplotlib提供scatter()函数绘制散点图。
random.rand():这个函数的参数是数组的维度，取值范围是 [0,1)

import matplotlib.pyplot as plt
import numpy as np
N = 50
plt.scatter(np.random.rand(N)*50,np.random.rand(N)*50,c='r',s=50,alpha=0.5)
plt.scatter(np.random.rand(N)*50,np.random.rand(N)*50,c='g',s=50,alpha=0.5)
plt.scatter(np.random.rand(N)*50,np.random.rand(N)*50,c='b',s=50,alpha=0.5)
plt.show()

在这里插入图片描述

scatter()函数用法

matplotlib.pyplot.scatter(x, 
	y, 
	s=20, 
	c='b', 
	marker='o', 
	cmap=None, 
	norm=None, 
	vmin=None, 
	vmax=None, 
	alpha=None, 
	linewidths=None, 
	verts=None, 
	hold=None, 
	**kwargs)

x，y：表示的是shape大小为(n,)的数组，也就是我们即将绘制散点图的数据点，输入数据。
s：表示的是大小，是一个标量或者是一个shape大小为(n,)的数组，可选，默认20。
c：表示的是色彩或颜色序列，可选，默认蓝色’b’。但是c不应该是一个单一的RGB数字，也不应该是一个RGBA的序列，因为不便区分。c可以是一个RGB或RGBA二维行数组。
marker：MarkerStyle，表示的是标记的样式，可选，默认’o’。
cmap：Colormap，标量或者是一个colormap的名字，cmap仅仅当c是一个浮点数数组的时候才使用。如果没有申明就是image.cmap，可选，默认None。
norm：Normalize，数据亮度在0-1之间，也是只有c是一个浮点数的数组的时候才使用。如果没有申明，就是默认None。
vmin，vmax：标量，当norm存在的时候忽略。用来进行亮度数据的归一化，可选，默认None。
alpha：标量，0-1之间，可选，默认None。
linewidths：也就是标记点的长度，默认None。

四、饼状图

饼状图是被用于分成若干部分的圆表示部分在整体中所占的比例。Matplotlib中提供pie（）函数来绘制饼状图。

import matplotlib.pyplot as plt
import numpy as np
labels = ['Mon','Tue','Wed','Thu','Fri','Sat','Sun']
data = np.random.rand(7)*100
print(data)
plt.pie(data,labels=labels,autopct='%1.1f%%')  # labels :(每一块)饼图外侧显示的说明文字
plt.axis('equal')  # 该行代码使饼图长宽相等
plt.legend()  # 添加图例
plt.show()

在这里插入图片描述

pie（）函数用法

pie函数的语法和参数含义如下：

pie(x, explode=None, labels=None, colors=None,
  autopct=None, pctdistance=0.6, shadow=False,
  labeldistance=1.1, startangle=None,
  radius=None, counterclock=True, wedgeprops=None,       
  textprops=None, center=(0, 0), frame=False)

x：指定绘图的数据。
explode：指定饼图某些部分的突出显示，即呈现爆炸式。
labels：为饼图添加标签说明，类似于图例说明。
colors：指定饼图的填充色。
autopct：自动添加百分比显示，可以采用格式化的方法显示。控制饼图内百分比设置,可以使用format字符串或者format function；‘%1.1f’：指小数点后保留一位有效数值
pctdistance：设置百分比标签与圆心的距离。
shadow：是否添加饼图的阴影效果。
labeldistance：设置各扇形标签（图例）与圆心的距离。
startangle：设置饼图的初始摆放角度。 radius：设置饼图的半径大小。
counterclock：是否让饼图按逆时针顺序呈现。
wedgeprops：设置饼图内外边界的属性，如边界线的粗细、颜色等。
textprops：设置饼图中文本的属性，如字体大小、颜色等。
center：指定饼图的中心点位置，默认为原点。
frame：是否要显示饼图背后的图框，如果设置为True的话，需要同时控制图框x轴、y轴的范围和饼图的中心位置。

五、直方图

直方图用于显示每个变量出现的频率，与条形图有些类似。但其含义不同，条形图用于比较类别的值，而直方图用于显示变量的分布。Matplotlib提供hist()函数绘制直方图。

import matplotlib.pyplot as plt
import numpy as np
data = [np.random.randint(0,n,n) for n in [3000, 4000, 5000]]
print(data)
labels = ['3K', '4K', '5K']
bins = [0, 100, 500, 500, 5000, 3000, 4000, 5000]
plt.hist(data, bins=8, label=labels)
plt.legend()
plt.show()

在这里插入图片描述

hist()函数用法

hist(x,bins=None,range=None,density=None,weights=None,cumulative=False,bottom=None,
histstype='bar',align='mid',orientation='vertical',rwidth=None,log=False,label=None,
stacked=False,normed=None,*,data=None,**kwargs)

x:表示x轴的数据，可以为单个数组或多个数组的序列
bins:表示矩形条的个数，默认为10
range:表示数据的范围,若没有提供range参数,则数据范围为(x.min(),x.max())
cumulative:表示是否计算累积频数或频率
histtype:表示直方图的类型，支持’bar’,‘barstacked’,‘step’,‘stepfilled’四种取值,其中’bar’为默认值,代表传统的直方图；‘barstacked’代表堆积直方图,’'step’代表未填充的线条直方图;'stepfilled’代表填充的线条直方图
align:表示矩形条边界的对齐方式,可设置为’left’,‘mid’,‘right’默认为’mid’,
orientation:表示矩形条的摆放方式,默认为’vertical’,即垂直方向
rwidth:表示矩形条宽度的百分比，默认为0.若histtype的值为’step’或’stepfilled’,则直接忽略rwidth参数的值
stacked:表示是否将多个矩形条以堆积形式摆放